2. Vícekriteriální a cílové programování
|
|
- Zdeněk Špringl
- před 8 lety
- Počet zobrazení:
Transkript
1 2. Vícerterálí a cílové programováí Úlohy vícerterálího programováí jsou úlohy, ve terých se a možě přípustých řešeí optmalzuje ěol salárích rterálích fucí. Moža přípustých řešeí je přtom defováa podobě jao v úlohách matematcého programováí. Za předpoladu learty omezujících podmíe účelových fucí se mluví o úlohách vícerterálího leárího programováí. Tuto úlohu můžeme matematcy formulovat ásledově: maxmalzovat za podmíe z = c x c 2x 2... c x, z 2 = c 2 x c 22x 2... c 2x, : (2.) z = c x c 2x 2... c x, a x a 2 x 2... a x b, a 2 x a 22 x 2... a 2 x b 2, : (2.2) a m x a m2 x 2... a m x b m, x j 0, j =, 2,...,. Symbol maxmalzace je úmyslě uvede v uvozovách, protože elze jedozačě defovat, co se rozumí současou maxmalzací ěola rte-rálích fucí. Úlohu (2.) - (2.2) je možé zapsat matcově: maxmalzovat z = c x, z 2 = c 2 x, : (2.3) z = c x, za podmíe x X = { x R Ax b, x 0), (2.4) de c, =,2,..., je vetor ceových oefcetů -té účelové fuce. Podobě jao v úlohách VHV je možé v úloze vícerterálího leárího programováí (VLP) defovat vztah edomovaost ebo dom-ovaost mez dvěma přípustým řešeím a edomovaé řešeí úlohy VLP. Lbovolé přípusté řešeí x p X je charaterzováo vetorem rterálích hodot (c x p, c 2 x p,..., c x p ). Jestlže x p X a x q X jsou lbovolá přípustá řešeí úlohy VLP, potom mohou astat ásledující možost: řešeí x p domuje řešeí x q, jestlže platí (c x p, c 2 x p,..., c x p ) (c x q, c 2 x q,..., c x q ), de relace vylučuje rovost obou vetorů, řešeí x q domuje řešeí x p, jestlže platí (c x q, c 2 x q,..., c x q ) (c x p, c 2 x p,..., c x p ), de relace vylučuje rovost obou vetorů, řešeí x p a řešeí x q jsou avzájem edomovaá.
2 2 2. Vícerterálí a cílové programováí Říáme, že řešeí x p X je edomovaým řešeím úlohy VLP, poud eexstuje jé přípusté řešeí, teré by jej domovalo. Cílem př řešeí taové úlohy je zpravdla alezeí ějaého ompromsího řešeí podobě, jao tomu bylo př aalýze úloh VHV. Je užtečé s uvědomt, že ompromsí řešeí musí být vždy řešeím edomovaým. Pro výpočet ompromsího řešeí úlohy VLP je možé použít ěol záladích prcpů. Všechy z ch zpravdla vedou řešeí jedé č ěola stadardích úloh leárího programováí. Toto řešeí se provádí běžým postupy pro řešeí leárích optmalzačích úloh.. Prcp agregace účelových fucí Teto prcp je založeý a ohodoceí důležtost rterálích fucí váham v, v 2,..., v, Σv =. Místo úlohy (2.3) - (2.4) se potom řeší běžá úloha leárího programováí: maxmalzovat z = v c x, (2.5) = za podmíe (2.4). Za předpoladu ezáporost všech vah účelových fucí lze sado doázat, že tímto způsobem zísáme vždy edomovaé řešeí. 2. Kompromsí řešeí podle mmálí ompoety Cílem tohoto prcpu je alézt taové ompromsí řešeí, teré bude maxmalzovat mmálí, tedy ejhorší, hodotu ze všech rterálích fucí. Ozačíme-l tuto mmálí ompoetu δ, potom lze ompromsí řešeí podle mmálí ompoety ajít jao řešeí ásledující úlohy leárího programováí: maxmalzovat δ, za podmíe (2.6) c x δ, c 2 x δ, : c x δ, x X. 3. Mmalzace vzdáleost od deálích hodot Ideálí hodotu pro -tou účelovou fuc ozačíme z opt. Jedá se o optmálí hodotu této účelové fuce a možě přípustých řešeí. Ideálí hodotu by bylo možé zísat optmalzací příslušé rterálí fuce. Př použtí tohoto prcpu hledáme taové ompromsí řešeí, teré bude mmalzovat vážeý součet odchyle od deálích hodot. Budeme tedy řešt úlohu LP:
3 3 mmalzovat opt z = v (z c x), (2.7) = za podmíe x X, de v > 0, je váha -té účelové fuce. 4. Cílové programováí Pro zísáí ompromsího řešeí úlohy VLP se velm často používá cílové programováí. Záladí prcpy cílového programováí acházejí uplatěí v ěterých modelech aalýzy obalu dat, teré byly probráy rověž v tomto tématu Úloha cílového programováí obsahuje v typcém případě ěol záladích částí:. Pevé cíle jsou podmíy, teré jsou vyjádřey ve formě erovc ebo rovc a teré musí být v modelu respetováy, tz. elze aceptovat taové řešeí, teré by ěterý z pevých cílů esplňovalo. V matematcém vyjádřeí mají volé cíle podobu omezujících podmíe v běžé úloze leárího programováí, tj. a x b, j j =,2,..., m. 2. Volé cíle jsou podmíy, teré jsou blací mez hodotou levé stray omezující podmíy a mez zadaou cílovou hodotou. U volých cílů se používají pro vyjádřeí ladých a záporých odchyle od daých cílových hodot odchylové proměé. Záporé odchylové proměé od -té cílové hodoty budeme ozačovat d, ladé odchylové proměé d. Obecý záps -tého blačího omezeí může tedy vypadat ásle-dově: cj x j d d = g, =,2,...,. de c j x j je levá straa omezující podmíy a g je příslušá cílová hodota. 3. Účelová fuce modelu cílového programováí je obecě vyjádřea jao mmalzace odchyle od zadaých cílových hodot, tj. jedá se o mmalzac odchylových proměých. Do účelové fuce lze zahrout buď záporé ebo ladé ebo oba typy odchylových pro-měých: mmalzace záporé odchyly vede zísáí řešeí, teré se zdola co ejvíce přblžuje daé cílové hodotě, může být vša lbovolě vyšší ež tato cílová hodota - použtí apřílad tehdy, vyjadřuje-l cílová hodota požadave a dosažeí zadaé úrově zsu, mmalzace ladé odchyly vede zísáí řešeí, teré se shora co ejvíce přblžuje daé cílové hodotě, může být vša lbovolě žší ež tato cílová hodota - apřílad požadave a zísáí řešeí, teré se co ejvíce přblžuje cílovým áladům, mmalzace součtu ladé a záporé odchyly vede zísáí řešeí, teré se oboustraě co ejvíce přblžuje daé cílové hodotě - apřílad požadave a
4 4 2. Vícerterálí a cílové programováí poud možo co ejúplější využtí ějaého zdroje (aby c ezbylo a ebylo třeba zdroj dodatečě rozšřovat). V jaémolv, velm malém, modelu cílového programováí může být cílů defováo ěol. Ja jsme se jž zmíl v úvodu tohoto oddílu, důležtost těchto cílů může být vyjádřea buď jejch uspořádáímod ejdůležtějšího po ejméě důležtý (lexografcé cílové programováí), ebo pomocí bezrozměrých oefcetů (vah), teré vyjadřují stupeň důležtost splěí cíle. Poud odlšíme důležtost cílů váham, můžeme mmalzovat: o vážeý součet odchyle ebo o maxmálí vážeou odchylu. Př mmalzac vážeého součtu odchyle bude celá úloha cílového programo-váí aformulováa ásledově: mmalzovat z = (v d v d ) = za podmíe (2.8) aj x j b, =,2,...,m, cj x j d d = g, =,2,...,, d 0,d 0,d d = 0, =,2,...,. de v a v jsou váhy, ohodocující důležtost záporých a ladých odchyle volého cíle g. Př mmalzac vážeé maxmálí odchyly se výše uvedeý model bude modfovat ásledově: mmalzovat δ, za podmíe (2.9) aj x j b, =,2,...,m, cj x j d d = g, =,2,...,, 0,d 0,d d = 0, = v d v d δ, =,2,...,, d,2,...,, de proměá δ představuje maxmálí hodotu vážeé odchyly, terou se sažíme mmalzovat. Ve všech uvedeých prcpech je třeba sledovat, zda jsou hodoty dílčích rterálích fucí avzájem srovatelé. Poud tomu ta eí, tz. ěteré hodoty jsou v tsících, jé
5 5 třeba je v jedotách, je třeba výše uvedeé formulace optmalzačích úloh modfovat ta, že váhy účelových fucí v úlohách (2.5) a (2.7) a levou strau omezujících podmíe v úloze (2.6) vydělíme jejch deálím hodotam z opt. Po této úpravě budou všechy deálí hodoty rovy (00 %) a my budeme vlastě pracovat s procetím odchylam. V úlohách cílového programováí (2.8) a (2.9) doporučujeme vydělt váhy odchyle cílovým hodotam a ta vlastě mmalzovat pro-cetí odchyly od cílových hodot, teré jsou jž vzájemě srovatelé. Modely cílového programováí jsou obecější ež stadardí modely LP, protože často sutečě elze jedozačě určt jedé rtérum optmalty. Užvatelům je většou blžší zadáí ějaých žádoucích (cílových) hodot, e terým se v průběhu optmalzace shora č zdola přblžuje. Přílad formulace modelu cílového programováí Uvažujme rozhodovací problém, ve terém se jedá o áup dvou druhů ceých papírů (ace a oblgace). Pro teto áup jsou dspozc prostředy (00%), teré emohou být přeročey, emusí vša být plě vyčerpáy. Očeávaý výos z ací je 5%, z oblgací 0% p.a. Obě vestce jsou oceěy z hledsa rza bezrozměrým oefcetem, terý je u ací 5 a u oblgací 2 (čím vyšší oefcet, tím vyšší rzo). Do ací emůže být vestováo více ež 50% dostupých prostředů, do oblgací maxmálě 75% těchto prostředů. Model by měl avrhout taovou sladbu portfola, terá dosáhe průměrý výos 2% p.a. a vážeá míra rza bude rova 3. V tomto příladu lze zavést dvě proměé, teré budou udávat podíl prostředů vestovaých do ací (x ) a do oblgací (x 2 ). Podle zadáí by pro tyto proměé mělo platt: x x 2, (maxmálě 00% celem), x 0.5, (maxmálě 50% do ací), x , (maxmálě 75% do oblgací), x 0, x 2 0, (podmíy ezáporost). Poud bychom uvedeý model chtěl dále formulovat jao stadardí úlohu leárího programováí, potom máme dvě možost:. K modelu doplt omezující podmíu, terá bude omezovat celové rzo a 3 a maxmalzovat očeávaý výos. K výše uvedeým omezujícím podmíám by se v tomto případě dopllo omezeí 5x 2x 2 3, a maxmalzovala by se rterálí fuce z = 5x 0x 2. Čteář se může přesvědčt, že optmálí řešeí této úlohy je x = /3 a x 2 = 2/3. Př průměré míře rza 3 bude dosaže výos.67% p.a. 2. K modelu doplt omezující podmíu, terá zabezpečí dosažeí mmálího výosu 2% p.a. a mmalzovat celové rzo. Omezující podmía bude mít tvar 5x 0x 2 2. Mmalzovat se bude účelová fuce
6 6 2. Vícerterálí a cílové programováí z = 5x 2x 2. Optmálí řešeí tohoto modelu je x = 0.4 a x 2 = 0.6. Očeávaý výos 2% p.a. bude dosaže př průměrém rzu 3.2. Uvedeý přílad lze vša aformulovat jao úlohu cílového programováí, ve teré budou defováy dva cíle:. dosažeí očeávaého zsu alespoň a úrov 2% p.a. 2. dosažeí průměré míry rza 3. Pro lustrac, záps volého cíle pro očeávaý výos bude v aší úloze vypadat ásledově (cílová hodota je rova 2%): 5x 0x 2 d d = 2. ace (x ) oblgace (x 2 ) výos d Tab Hodoty odchylových proměých. Tabula 2. lustruje a ěola řešeích, jaých hodot abývají odchylové proměé (hodota průměrého výosu je v této tabulce vypočtea jao 5x 0x 2 ). Z údajů v této tabulce je zřejmé, že vždy alespoň jeda z obou odchylových proměých je rova 0. Je-l daá cílová hodota splěa přesě, jsou obě odchylové proměé rovy 0 (d = d = 0). Poud je sutečé plěí cíle žší ež cílová hodota, potom je záporá odchylová proměá větší ež ula (d > 0) a ladá odchylová proměá je ulová (d = 0) a aopa, je-l sutečé plěí cíle vyšší ež daá cílová hodota, potom je ladá odchylová proměá větší ež ula (d > 0) a záporá odchylová proměá je ulová (d = 0). Z uvedeého plye, že pro volé cíle může být levá straa omezeí, a rozdíl od pevých cílů, meší, rova ebo větší daé cílové hodotě (pravé straě). Tato relace závsí a hodotách ladých a záporých odchylových proměých. Soustavu struturích dvou blačích omezujících podmíe (včetě podmíe ezáporost) lze v tomto případě zapsat ásledově: x x 2, x 0.5, x , 5x 0x 2 d d = 2, 5x 2x 2 d 2 d2 = 3, x 0, x 2 0, d 0, d2 0, d 0, d2 0. d
7 7 V účelové fuc (ať už budou cíle odlšey preferecem ebo váham) se bude jedat o mmalzac záporé odchyly od požadovaého výosu, tj. mmalzac hodoty proměé d a zároveň o mmalzac ladé odchyly od požadovaé míry rza, tj. mmalzace hodoty proměé d 2. Př odlšeí cílů pomocí preferecí jsou cíle zařazey do jedotlvých preferečích stupňů - čím vyšší stupeň, tím vyšší míra preferece daého cíle. Řešeí úlohy probíhá potom v ěola rocích. V prvím rou se mmalzuje ežádoucí odchyla od cíle, terý má ejvyšší preferec. Poud se př této optmalzac aleze řešeí, teré eí jedé, potom se a možě optmálích řešeí z prvího rou mmalzuje ežádoucí odchyla od cíle s druhou ejvyšší preferecí atd. Uvažujme ejprve, že prví cíl (dosažeí výosu 2% p.a.) má vyšší důležtost ež cíl druhý (dosažeí míry rza 3). Výpočet bude v tomto případě probíhat ta, že budeme ejprve mmalzovat hodotu odchylové proměé příslušející ejdůležtějšímu cíl - v ašem případě hodotu proměé d. Je-l výsledem této optmalzace jedé optmálí řešeí, potom už dále ve výpočtu emá smysl poračovat, protože druhý cíl v pořadí důležtost elze zřejmě zlepšt bez zhoršeí cíle, terý má důležtost vyšší. Bude-l řešeí alteratví, potom lze ze všech optmálích řešeí vybrat řešeí, teré je elepší vzhledem e druhému cíl v pořadí - v ašem případě se bude mmalzovat hodota odchylové proměé d 2. Celý postup výpočtu je lustrová a obr. 2.. Moža přípustých řešeí je a tomto obrázu zvýrazěa stíováím. Dále jsou zde zaresley dvě přímy 5x 0x 2 = 2 resp. 5x 2x 2 = 3, teré jsou možam bodů, pro teré platí, že očeávaý výos je rove 2% resp. míra rza je rova 3. x 2 5x 0x 2 = x moža x 2 přípustých řešeí zvyšováí výosu x sžováí 5x 2x 2 = 3 rza Obr Řešeí úlohy cílového programováí. Všměte s, že elze dosáhout současě splěí obou cílů, eboť se obě uvedeé přímy protíají mmo oblast přípustých řešeí. Protože dosažeí výosu 2% má vyšší prortu,
8 8 2. Vícerterálí a cílové programováí jedá se př řešeí v prví fáz o alezeí taového řešeí, teré mmalzuje záporou odchylu od staoveého výosu. Taové řešeí exstuje a eí je jedé. Na obr. 2. je vdět, že všechy body, teré leží a hraě určeé body x a x 2, představují řešeí, teré posytuje výos 2% (a obr. 2. je moža těchto bodů zvýrazěa slou čarou). Z těchto řešeí se budeme sažt vybrat taové řešeí, teré mmalzuje ladou odchylu od požadovaé úrově rza 3. Z grafcého zázorěí plye, že tímto řešeím je bod x. Hodoty proměých odpovídajícího řešeí jsou x = 0.4 a x 2 = 0.6. Dosazeím do výosové fuce a do fuce rza s lze ověřt, že výos tohoto řešeí je sutečě 2% p.a. a míra rza je 5*0.4 2*0.6 = 3.2. Míra rza eí tedy a požadovaé úrov, ale řešeí s výosem 2% a s žší mírou rza eexstuje. Př odlšeí cílů váham se aždé ladé a záporé odchylce od cílových hodot přřadí váhy, tj. oefcety, teré ohodocují důležtost těchto odchyle. Př vlastím řešeí se potom mmalzuje celový vážeý součet všech odchyle. Protože jsou vša cíle a tedy odchyly od ch v růzých jedotách a tedy v růzé výš, je rozumé posuzovat odchyly e v absolutím vyjádřeí, ale jao relatví (procetí) odchyly. Výsledá účelová fuce může mít tedy v tomto případě tvar: d z = v v g = = d g, de je počet cílových hodot, v a v jsou váhy přřazeé ladým a záporým odchylám od - té cílové hodoty a g je -tá cílová hodota. Uvažujme, že v ašem příladu bude záporé odchylce od cílové hodoty očeávaého výosu (d ) přřazea váha 5 a ladé odchylce od staoveé hodoty rza (d 2 ) váha 2. Potom se bude a možě přípustých varat (vz obr.2.) mmalzovat vážeý součet odchyle 5d 2d z = Výpočtem smplexovou metodou dostáváme v tomto případě řešeí x = /3 a x 2 = 2/3. V tomto řešeí bude dosažeo očeávaého výosu 2/3% př míře rza 3. Všměte s, že zde je zcela splě druhý cíl (rzo), terý má žší váhu. Naopa eí dosaže požadovaý výos 2%, ale výos o /3% žší. Výpočetí aspety V tomto oddílu jsme se věoval spíše metodolog cílového programováí. Z výpočetího hledsa vša modely cílového programováí epřáší žádé vážější potíže. Užvatel vystačí s běžou zalostí smplexové metody, jejíž prcpy byly vyložey v aptole 2. Př zpracováí a počítač stačí mít dspozc jaýolv systém umožňující řešt úlohy leárího programováí. Poud jsou cíle odlšey váham, potom stačí mmalzovat jedou účelovou fuc. Př odlšeí cílů preferecem může být počet výpočetích roů vyšší - především v závslost a počtu cílových hodot a preferečích stupňů. I pro teto výpočet vša lze vystačt, dyž s jstým problémy, s běžým software pro řešeí úloh leárího programováí.
Lineární regrese ( ) 2
Leárí regrese Častým úolem je staoveí vzájemé závslost dvou (č více) fzálích velč a její matematcé vjádřeí. K tomuto účelu se používají růzé regresí metod, pomocí chž hledáme vhodou fuc f (), apromující
Více2 IDENTIFIKACE H-MATICE POPISUJÍCÍ VEDENÍ Z NAMĚŘENÝCH HODNOT
2 IDENIFIKACE H-MAICE POPISUJÍCÍ VEDENÍ Z NAMĚŘENÝCH HODNO omáš Novotý ČESKÉ VYSOKÉ UČENÍ ECHNICKÉ V PRAZE Faulta eletrotechicá Katedra eletroeergetiy. Úvod Metody založeé a loalizaci poruch pomocí H-matic
VíceDoc. Ing. Dagmar Blatná, CSc.
PRAVDĚPODOBNOST A STATISTIKA Doc. Ig. Dagmar Blatá, CSc. Statsta statstcé údaje o hromadých jevech čost, terá vede zísáí statstcých údajů a jejch zpracováí teore statsty - věda o stavu, vztazích a vývoj
Více1 Popis statistických dat. 1.1 Popis nominálních a ordinálních znaků
1 Pops statstcých dat 1.1 Pops omálích a ordálích zaů K zobrazeí rozděleí hodot omálích ebo ordálích zaů lze použít tabulu ebo graf rozděleí četostí. Tuto formu zobrazeí lze dooce použít pro číselé zay,
VíceBudeme pokračovat v nahrazování funkce f(x) v okolí bodu a polynomy, tj. hledat vhodné konstanty c n tak, aby bylo pro malá x a. = f (a), f(x) f(a)
Předáša 7 Derivace a difereciály vyšších řádů Budeme poračovat v ahrazováí fuce f(x v oolí bodu a polyomy, tj hledat vhodé ostaty c ta, aby bylo pro malá x a f(x c 0 + c 1 (x a + c 2 (x a 2 + c 3 (x a
VíceOptimalizace portfolia
Optmalzace portfola ÚVOD Problémy vestováí prostředctvím ákupu ceých papírů sou klasckým tématem matematcké ekoome. Celkový výos z portfola má v době rozhodováí o vestcích povahu áhodé velčy, eíž rozložeí
Vícek(k + 1) = A k + B. s n = n 1 n + 1 = = 3. = ln 2 + ln. 2 + ln
Číselé řady - řešeé přílady ČÍSELNÉ ŘADY - řešeé přílady A. Součty řad Vzorové přílady:.. Přílad. Určete součet řady + = + 6 + +.... Řešeí: Rozladem -tého čleu řady a parciálí zlomy dostáváme + = + ) =
Více8.1.2 Vzorec pro n-tý člen
8.. Vzorec pro -tý čle Předpolady: 80 Pedagogicá pozáma: Myslím, že jde o jedu z velmi pěých hodi. Přílady a hledáí dalších čleů posloupostí a a objevováí vzorců pro -tý čle do začé míry odpovídají typicým
Více8.1.2 Vzorec pro n-tý člen
8 Vzorec pro -tý čle Předpolady: 80 Pedagogicá pozáma: Přílady a hledáí dalších čleů posloupostí a a objevováí vzorců pro -tý čle do začé míry odpovídají typicým příladům z IQ testů, teré studeti zají
VíceS k l á d á n í s i l
S l á d á í s i l Ú o l : Všetřovat rovováhu tří sil, působících a tuhé těleso v jedom bodě. P o t ř e b : Viz sezam v desách u úloh a pracovím stole. Obecá část: Při sládáí soustav ěolia sil působících
VíceNEPARAMETRICKÉ METODY
NEPARAMETRICKÉ METODY Jsou to metody, dy předmětem testu hypotézy eí tvrzeí o hodotě parametru ějaého orétího rozděleí, ale ulová hypotéza je formulováa obecěji, apř. jao shoda rozděleí ebo ezávislost
VícePřednáška č. 2 náhodné veličiny
Předáša č. áhodé velčy Pozámy záladím pojmům z počtu pravděpodobost Pozáma 1: Př výpočtu pravděpodobost áhodého jevu dle lascé defce je uté věovat pozorost způsobu formulace vybraého jevu. V ásledující
VícePRAVDĚPODOBNOST A STATISTIKA
SP esty dobré shody PRAVDĚPODOBNOS A SAISIKA Lbor Žá SP esty dobré shody Lbor Žá Přpomeutí - estováí hypotéz o rozděleí Ch-vadrát test Chí-vadrát testem terý e založe a tříděém statstcém souboru. SP esty
Více5. Lineární diferenciální rovnice n-tého řádu
5 3.3.8 8:44 Josef Herdla lieárí difereciálí rovice -tého řádu 5. Lieárí difereciálí rovice -tého řádu (rovice s ostatími oeficiety) ( ), a,, a (5.) ( ) ( ) y a y a y ay q L[ y] y a y a y a y, q je spojitá
VíceRegrese. Aproximace metodou nejmenších čtverců ( ) 1 ( ) v n. v i. v 1. v 2. y i. y n. y 1 y 2. x 1 x 2 x i. x n
Regrese Aproxmace metodou ejmeších čtverců v v ( ) = f x v v x x x x Je dáo bodů [x, ], =,,, předpoládáme závslost a x a chceme ajít fuc, terá vsthuje teto tred - Sažíme se proložt fuc = f x ta, ab v =
Více4.2 Elementární statistické zpracování. 4.2.1 Rozdělení četností
4.2 Elemetárí statstcké zpracováí Výsledkem statstckého zjšťováí (. etapa statstcké čost) jsou euspořádaá, epřehledá data. Proto 2. etapa statstcké čost zpracováí, začíá většou jejch utříděím, zpřehleděím.
Více5.5. KOMPLEXNÍ ODMOCNINA A ŘEŠENÍ KVADRATICKÝCH A BINOMICKÝCH ROVNIC
5.5. KOMPLEXNÍ ODMOCNINA A ŘEŠENÍ KVADRATICKÝCH A BINOMICKÝCH ROVNIC V této kaptole se dozvíte: jak je defováa fukce přrozeá odmoca v kompleím oboru a jaké má vlastost včetě odlšostí od odmocy v reálém
VíceTento odhad má rozptyl ( ) σ 2 /, kde σ 2 je rozptyl souboru, ze kterého výběr pochází. Má-li každý prvek i. σ 2 ( i. ( i
: ometové míry polohy zahrují růzé druhy průměrů pomocí kterých můžeme charakterzovat cetrálí tedec dat ometové míry polohy jsou jedoduché číselé charakterstky které se vyčíslují ze všech prvků výběru
VíceANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE DA prof. Ig. Jří Holčík, CSc. INVESICE Isttut DO bostatstky ROZVOJE VZDĚLÁVÁNÍ a aalýz IV. LINEÁRNÍ KLASIFIKACE pokračováí Isttut bostatstky a aalýz (SUPPOR VECOR MACHINE SVM) SEPARABILNÍ
Více2. TEORIE PRAVDĚPODOBNOSTI
. TEORIE PRAVDĚPODOBNOSTI V prax se můžeme setat s dvojím typem procesů. Jeda jsou to procesy determstcé, u terých platí, že př dodržeí orétích vstupích podmíe obdržíme přesý, předem zámý výslede (te můžeme
VíceNejistoty měření. Aritmetický průměr. Odhad směrodatné odchylky výběrového průměru = nejistota typu A
Nejstoty měřeí Pro každé přesé měřeí potřebujeme formac s jakou přesostí bylo měřeí provedeo. Nejstota měřeí vyjadřuje terval ve kterém se achází skutečá hodota měřeé velčy s určtou pravděpodobostí. Nejstota
VíceSoustava momentů. k s. Je-li tedy ve vzorci obecného momentu s = 1, získáme vzorec aritmetického průměru.
Soutava mometů Momety (Obecé, cetrálí a ormovaé) Do ytému mometových charatert patří ty ejdůležtější artmetcý průměr (mometová míra úrově) a rozptyl (mometová úroveň varablty). Obecý momet -tého tupě:
VíceCharakteristiky úrovně
Charaterty úrově Měřeí úrově Úroveň (poloha) je jedou ze záladích vlatotí tattcých dat, v úrov e mohou tattcá data lšt ebo aopa hodovat. Výzačé hodoty varačí řady ejou ctlvé a změu jedotlvých hodot Medá
VíceGenerování dvojrozměrných rozdělení pomocí copulí
Pravděpodobost a matematcká statstka eerováí dvojrozměrých rozděleí pomocí copulí umbelova copule PRAHA 005 Vpracoval: JAN ZÁRUBA OBSAH: CÍL PRÁCE TEORIE Metoda verzí trasformace O copulích Sklarova věta
VíceOKRUŽNÍ A ROZVOZNÍ ÚLOHY: OBCHODNÍ CESTUJÍCÍ. FORMULACE PŘI RESPEKTOVÁNÍ ČASOVÝCH OKEN
Úloha obchodího cestujícího OKRUŽNÍ A ROZVOZNÍ ÚLOHY: OBCHODNÍ CESTUJÍCÍ. FORMULACE PŘI RESPEKTOVÁNÍ ČASOVÝCH OKEN Nejprve k pojmům používaým v okružích a rozvozích úlohách: HAMILTONŮV CYKLUS je typ cesty,
VíceP1: Úvod do experimentálních metod
P1: Úvod do epermetálích metod Chyby a ejstoty měřeí - Každé měřeí je zatížeo určtou epřesostí, která je způsobea ejrůzějším egatvím vlvy, vyskytujícím se v procesu měřeí. - Výsledek měřeí se díky tomu
VíceKomplexní čísla. Definice komplexních čísel
Komplexí čísla Defiice komplexích čísel Komplexí číslo můžeme adefiovat jako uspořádaou dvojici reálých čísel [a, b], u kterých defiujeme operace sčítáí, ásobeí, apod. Stadardě se komplexí čísla zapisují
VíceTestování statistických hypotéz
Testováí statstckých hypotéz - Testováí hypotéz je postup, sloužící k ověřeí předpokladů o ZS (hypotéz a základě výběrových dat (tj. hodot z výběrového souboru. - ypotéza = určtý předpoklad o základím
VíceMetody zkoumání závislosti numerických proměnných
Metody zkoumáí závslost umerckých proměých závslost pevá (fukčí) změě jedoho zaku jedozačě odpovídá změa druhého zaku (podle ějakého fukčího vztahu) (matematka, fyzka... statstcká (volá) změám jedé velčy
Více11. Časové řady. 11.1. Pojem a klasifikace časových řad
. Časové řad.. Pojem a klasfkace časových řad Specfckým statstckým dat jsou časové řad pomocí chž můžeme zkoumat damku jevů v čase. Časovou řadou (damcká řada, vývojová řada) rozumíme v čase uspořádaé
Více10.2.3 VÁŽENÝ ARITMETICKÝ PRŮMĚR S REÁLNÝMI VAHAMI
Středí hodoty Artmetcý průměr vážeý Aleš Drobí straa 0 VÁŽENÝ ARITMETICKÝ PRŮMĚR S REÁLNÝMI VAHAMI Zatím jsme počítal s tím, že četost ve vztahu pro vážeý artmetcý průměr byla přrozeá čísla Četost mohou
VíceÚvod do korelační a regresní analýzy
Úvod do korelačí a regresí aalýz Bude ás zajímat, jak těsě spolu souvsí dva sledovaé jev Příklad: vztah mez rchlostí auta a brzdou dráhou vztah mez věkem žáka a rchlostí v běhu a 60 m vztah mez spotřebou
Více[ jednotky ] Chyby měření
Chyby měřeí Provedeme-l určté měřeí za stejých podmíek vícekrát, jedotlvá měřeí se mohou odlšovat (z důvodu koečé rozlšovací schopost měř. přístrojů, áhodých vlvů apod.). Chyba měřeí: e = x x x...přesá
VíceTest dobré shody se používá nejčastěji pro ověřování těchto hypotéz:
Ig. Marta Ltschmaová Statstka I., cvčeí 1 TESTOVÁNÍ NEPARAMETRICKÝCH HYPOTÉZ Dosud jsme se zabýval testováím parametrcký hypotéz, což jsou hypotézy o parametrech rozděleí (populace). Statstckým hypotézám
VíceStatistické charakteristiky (míry)
Stattcé charaterty (míry) - hrují formac, obažeou v datech (vyjadřují j v ocetrovaé formě); - charaterzují záladí ryy zoumaého ouboru dat; - umožňují porováváí více ouborů. upy tattcých charatert :. charaterty
VíceDISKRÉTNÍ MATEMATIKA II
Faulta pedagogcá Techcá uverzta v Lberc DISKRÉTNÍ MATEMATIKA II Doc. RNDr. Mroslav Koucý CSc. Lberec 4 Úvod Dsrétí ateata resp. její zálady patří jž tradčě ez stadardí téata předášeá a Techcé uverztě v
Více6. Posloupnosti a jejich limity, řady
Moderí techologie ve studiu aplikovaé fyziky CZ..07/..00/07.008 6. Poslouposti a jejich limity, řady Posloupost je speciálí, důležitý příklad fukce. Při praktickém měřeí hodot určité fyzikálí veličiy dostáváme
Vícejsou varianty znaku) b) při intervalovém třídění (hodnoty x
Výběr z eřeštelých příkladů ze zkouškových testů Jde o výběr z tpů příkladů, jejchž úspěšost řešeí u zkoušek se blíží ule. Itervalové versus bodové tříděí V tabulce je uvedeo rozděleí četostí a) př bodovém
VíceUniverzita Karlova v Praze Pedagogická fakulta
Uverzta Karlova v Praze Pedagogcká fakulta SEMINÁRNÍ PRÁCE Z OBECNÉ ALGEBRY DĚLITELNOST CELÝCH ČÍSEL V SOUSTAVÁCH O RŮZNÝCH ZÁKLADECH / Cfrk C. Zadáí: Najděte pět krtérí pro děltelost v jých soustavách
VícePODNIKOVÁ EKONOMIKA 3. Cena cenných papírů
Semárky, předášky, bakalářky, testy - ekoome, ace, účetctví, ačí trhy, maagemet, právo, hstore... PODNIKOVÁ EKONOMIKA 3. Cea ceých papírů Ceé papíry jsou jedím ze způsobů, jak podk může získat potřebý
VíceSP2 Korelační analýza. Korelační analýza. Libor Žák
Korelačí aalýza Přpomeutí pojmů áhodá proměá áhodý vetor áhodý vetor Náhodý výběr: pro áhodou proměou : pro áhodý vetor : pro áhodý vetor : Přpomeutí pojmů - ovarace Kovarace áhodých proměých ovaračí oefcet
VíceTOKY V GRAFU MAXIMÁLNÍ TOK SÍTÍ, MINIMALIZACE NÁKLADŮ SPOJENÝCH S DANOU HODNOTOU TOKU, FIXNÍ NÁKLADY, PŘEPRAVNÍ (TRANSHIPMENT) PROBLÉM.
TOKY V GRAFU MAXIMÁLNÍ TOK SÍTÍ, MINIMALIZACE NÁKLADŮ SPOJENÝCH S DANOU HODNOTOU TOKU, FIXNÍ NÁKLADY, PŘEPRAVNÍ (TRANSHIPMENT) PROBLÉM. Graf je útvar, terý je možo zázorit obrázem v roviě pomocí bodů (uzly
Více6. FUNKCE A POSLOUPNOSTI
6. FUNKCE A POSLOUPNOSTI Fukce Dovedosti:. Základí pozatky o fukcích -Chápat defiici fukce,obvyklý způsob jejího zadáváí a pojmy defiičí obor hodot fukce. U fukcí zadaých předpisem umět správě operovat
VíceLABORATORNÍ CVIČENÍ Z FYZIKY. Měření objemu tuhých těles přímou metodou
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE KATEDRA FYZIKY LABORATORNÍ CVIČENÍ Z FYZIKY Jméo: Petr Česák Datum měřeí:.3.000 Studjí rok: 999-000, Ročík: Datum odevzdáí: 6.3.000 Studjí skupa: 5 Laboratorí skupa:
Více1.3. ORTOGONÁLNÍ A ORTONORMÁLNÍ BÁZE
ORTOGONÁLNÍ A ORTONORMÁLNÍ BÁZE V této kaptole se dozvíte: jak je oecě defováa kolmost (ortogoalta) vektorů; co rozumíme ortogoálí a ortoormálí ází; co jsou to tzv relace ortoormalty a Croeckerovo delta;
Více, jsou naměřené a vypočtené hodnoty závisle
Měřeí závslostí. Průběh závslost spojtá křvka s jedoduchou rovcí ( jedoduchým průběhem), s malým počtem parametrů, která v rozmezí aměřeých hodot vsthuje průběh závslost, určeí kokrétího tpu křvk (přímka,
VíceSPOTŘEBITELSKÝ ÚVĚR. Na začátku provedeme inicializaci proměnných jejich vynulováním příkazem "restart". To oceníme při opakovaném použití dokumentu.
SPOTŘEBITELSKÝ ÚVĚR Úloha 3 - Fiacováí stavebích úprav Rozhodli jsme se pro stavebí úpravy v bytě. Po zhotoveí rozpočt a tyto úpravy jsme zjistili, že ám chybí ještě 30 000,-Kč. Máme možost si tto část
Více7.Vybrané aplikace optimalizačních modelů
7.Vybraé aplkace optmalzačích modelů V této kaptole se budeme věovat dvěma typům úloh, pro echž řešeí se využívaí optmalzačí prcpy. Jedá se o modely aalýzy obalu dat, které se využívaí pro hodoceí relatví
VíceOdhady parametrů základního. Ing. Michal Dorda, Ph.D.
Odhady parametrů základího souboru Úvodí pozámky Základí soubor můžeme popsat jeho parametry, apř. středí hodota μ, rozptyl atd. Př praktckých úlohách ovšem zpravdla elze vyšetřt celou populac, provádíme
VíceInterpolační křivky. Interpolace pomocí spline křivky. f 1. f 2. f n. x... x 2
Iterpolace pomocí sple křvky dáo: bodů v rově úkol: alézt takovou křvku, která daým body prochází y f f 2 f 0 f x0 x... x 2 x x Iterpolace pomocí sple křvky evýhodou polyomálí terpolace změa ěkterého z
Více1.1 Definice a základní pojmy
Kaptola. Teore děltelost C. F. Gauss: Matematka je královou všech věd a teore čísel je králova matematky. Základím číselým oborem se kterým budeme v této kaptole pracovat jsou celá čísla a pouze v ěkterých
VíceU. Jestliže lineární zobrazení Df x n n
MATEMATICKÁ ANALÝZA III předášky M. Krupky Zmí semestr 999/ 3. Iverzí a mplctí zobrazeí V této kaptole uvádíme dvě důležté věty, které acházeí aplkace v moha oblastech matematky: Větu o verzím a větu o
VíceMATEMATICKÁ INDUKCE. 1. Princip matematické indukce
MATEMATICKÁ INDUKCE ALEŠ NEKVINDA. Pricip matematické idukce Nechť V ) je ějaká vlastost přirozeých čísel, apř. + je dělitelé dvěma či < atd. Máme dokázat tvrzeí typu Pro každé N platí V ). Jeda možost
VíceFUNKCÍ JEDNÉ REÁLNÉ PROMĚNNÉ PRVNÍ DIFERENCIÁL
Difereciálí počet fukcí jedé reálé proměé - 6. - PRVNÍ DIFERENCIÁL TAYLORŮV ROZVOJ FUNKCÍ JEDNÉ REÁLNÉ PROMĚNNÉ PRVNÍ DIFERENCIÁL PŘÍKLAD Pomocí věty o prvím difereciálu ukažte že platí přibližá rovost
Vícen 3 lim 3 1 = lim Je vidět, že posloupnost je neklesající, tedy z Leibnize řada konverguje, ( 1) k 1 k=1
3. cvičeí Přílady. (a) (b) (c) ( ) ( 3 ) = Otestujeme itu 3 = 3 = = 0. Je vidět, že posloupost je elesající, tedy z Leibize řada overguje, ( ) Řada overguje podle Leibizova ritéria, ebot je zjevě erostoucí.
VíceDLUHOPISY. Třídění z hlediska doby splatnosti
DLUHOISY - dlouhodobý obchodovatelý ceý papír - má staoveou dobu splatost - vyadřue závaze emteta oblgace (dlužía) vůč matel oblgace (věřtel) Tříděí z hledsa doby splatost - rátodobé : splatost do 1 rou
Více9. Měření závislostí ve statistice. 9.1. Pevná a volná závislost
Dráha [m] 9. Měřeí závslostí ve statstce Měřeí závslostí ve statstce se zývá především zkoumáím vzájemé závslost statstckých zaků vícerozměrých souborů. Závslost přtom mohou být apříklad pevé, volé, jedostraé,
VíceNárodní informační středisko pro podporu kvality
Národí iformačí střediso pro podporu vality Problémy s uazateli způsobilosti a výoosti v praxi Dr.Jiří Michále, CSc. Ústav teorie iformace a automatizace AVČR Uazatel způsobilosti C p Předpolady: ormálí
VíceMarkovovy řetězce s diskrétním časem (Discrete Time Markov Chain)
Stochastcé rocesy Marovovy řetězce s dsrétím časem (Dscrete Tme Marov Cha) Stochastcý roces Stochastcým rocesem {X(t), tr} je moža áhodých velč X(t) závslých a jedom arametru t. Stavový rostor : moža možých
Více3. cvičení 4ST201 - řešení
cvčící Ig. Jaa Feclová 3. cvčeí 4ST0 - řešeí Obah: Míry varablty Rozptyl Směrodatá odchyla Varačí oefcet Rozlad rozptylu a mezupovou a vtroupovou varabltu Změa rozptylu Vyoá šola eoomcá VŠE urz 4ST0 Míry
Více1) Vypočtěte ideální poměr rozdělení brzdných sil na nápravy dvounápravového vozidla bez ABS.
Dopraví stroje a zařízeí odborý zálad AR 04/05 Idetifiačí číslo: Počet otáze: 6 Čas : 60 miut Počet bodů Hodoceí OTÁZKY: ) Vypočtěte eálí poměr rozděleí brzdých sil a ápravy dvouápravového vozla bez ABS.
VíceTéma 1: Pravděpodobnost
ravděpodobot Téma : ravděpodobot ředáša - ravděpodobot áhodého evu Náhodý pou a áhodý ev Náhodý pou - aždá čot, eíž výlede eí edozačě urče podmíam, za terých probíhá apř hod otou, měřeí dély, běh a 00
VíceNáhodné jevy, jevové pole, pravděpodobnost
S Náhodé jevy pravděpodobost Náhodé jevy jevové pole pravděpodobost Lbor Žák S Náhodé jevy pravděpodobost Lbor Žák Základí pojmy Expermet česky též vědecký pokus je soubor jedáí a pozorováí jehož účelem
VíceStatistika. Jednotlivé prvky této množiny se nazývají prvky statistického souboru (statistické jednotky).
Statstka. Základí pojmy Statstcký soubo - daá koečá, epázdá moža M předmětů pozoováí, majících jsté společé vlastost (událost, věc,.) Jedotlvé pvky této možy se azývají pvky statstckého soubou (statstcké
VíceIlustrativní příklad ke zkoušce z B_PS_A léto 2014.
Ilustratví příklad ke zkoušce z B_PS_A léto 0. Jsou dáa data výběrového souboru výšky že vz IS/ Učebí materály/ Témata 8, M. Kvaszová. č. výška č. výška 89 5 90 7 57 8 5 58 5 8 9 58 0 8 0 8 8 9 8 8 95
Více3. Charakteristiky a parametry náhodných veličin
3. Charatersty a parametry áhodýh velč Úolem této aptoly je zavést pomoý aparát, terým budeme dále popsovat pomoí jedoduhýh prostředů áhodé velčy. Taovýmto aparátem jsou tzv. parametry ebo haratersty áhodé
VíceTéma 2 Přímková a rovinná soustava sil
Stavebí statka,.ročík bakalářského studa Téma 2 Přímková a rová soustava sl Přímková soustava sl ový svazek sl Statcký momet síly k bodu a dvojce sl v rově Obecá rová soustava sl ová soustava rovoběžých
VíceTéma 11 Prostorová soustava sil
Stavebí statka,.ročík bakalářského studa Téma Prostorová soustava sl Prostorový svazek sl Statcký momet síly a dvojce sl v prostoru Obecá prostorová soustava sl Prostorová soustava rovoběžých sl Katedra
Více3. Hodnocení přesnosti měření a vytyčování. Odchylky a tolerance ve výstavbě.
3. Hodoceí přesost měřeí a vytyčováí. Odchylky a tolerace ve výstavbě. 3.1 Úvod o měřeí obecě 3.2 Chyby měřeí a jejch děleí 3.2.1 Omyly a hrubé chyby 3.2.2 Systematcké chyby 3.2.3 Náhodé chyby 3.3 Výpočet
VíceMendelova univerzita v Brně Statistika projekt
Medelova uverzta v Brě Statstka projekt Vypracoval: Marek Hučík Obsah 1. Úvod... 3. Skupové tříděí... 3 o Data:... 3 o Počet hodot:... 3 o Varačí rozpětí:... 3 o Počet tříd:... 4 o Šířka tervalu:... 4
Více1. Základy měření neelektrických veličin
. Základ měřeí eelektrckých velč.. Měřcí řetězec Měřcí řetězec (měřcí soustava) je soubor měřcích čleů (jedotek) účelě uspořádaých tak, ab blo ožě splt požadovaý úkol měřeí, tj. získat formac o velkost
Více6. KOMBINATORIKA 181. 6.1. Základní pojmy 181 6.1.1. Počítání s faktoriály a kombinačními čísly 182. 6.2. Variace 184. 6.3.
Zálady matematiy Kombiatoria. KOMBINATORIKA 8.. Záladí pojmy 8... Počítáí s fatoriály a ombiačími čísly 8.. Variace 8.. Permutace 85.. Kombiace 87.5. Biomicá věta 89 Úlohy samostatému řešeí 9 Výsledy úloh
Více10.2 VÁŽENÝ ARITMETICKÝ PRŮMĚR
Středí hodoty Artmetcý průměr vážeý ze tříděí Aleš Drobí straa 0 VÁŽENÝ ARITMETICKÝ PRŮMĚR Výzam a užtí vážeého artmetcého průměru uážeme a ásledujících příladech Přílad 0 Ve frmě Gama Blatá máme soubor
Více3. cvičení 4ST201. Míry variability
cvčící Ig. Jaa Feclová 3. cvčeí 4ST0 Obah: Míry varablty Rozptyl Směrodatá odchyla Varačí oefcet Rozlad rozptylu a mezupovou a vtroupovou varabltu Změa rozptylu Vyoá šola eoomcá VŠE urz 4ST0 Míry varablty
Vícezákladním prvkem teorie křivek v počítačové grafice křivky polynomiální n
Petra Suryková Modelováí křivek základím prvkem teorie křivek v počítačové grafice křivky polyomiálí Q( t) a a t... a t polyomiálí křivky můžeme sado vyčíslit sado diferecovatelé lze z ich skládat křivky
Více3. Charakteristiky a parametry náhodných veličin
3. Charateristiy a parametry áhodých veliči Úolem této apitoly je zavést pomocý aparát, terým budeme dále popisovat pomocí jedoduchých prostředů áhodé veličiy. Taovýmto aparátem jsou tzv. parametry ebo
Více2,3 ČTYŘI STANDARDNÍ METODY I, ČTYŘI STANDARDNÍ METODY II
2,3 ČTYŘI STADARDÍ METODY I, ČTYŘI STADARDÍ METODY II 1.1.1 Statické metody a) ARR - Average Rate of Retur průměrý ročí čistý zisk (po zdaěí) ARR *100 % ( 20 ) ivestic do projektu V čitateli výrazu ( 20
VíceIlustrativní příklad ke zkoušce z B_PS_A léto 2013.
Ilustratví příklad ke zkoušce z B_PS_A léto 0. Jsou dáa data výběrového souboru výšky že vz IS/ Učebí materály/ Témata 8, M. Kvaszová. č. výška č. výška 89 5 90 7 57 8 5 58 5 8 9 58 0 8 0 8 8 9 8 8 95
Více1. Čím se zabývá 4PP? zabývá se určováním deformace a porušováním celistvých těles v závislosti na vnějším zatížení
. Čím se zabývá 4PP? zabývá se určováím deformace a porušováím celstvých těles v závslost a vějším zatížeí. Defce obecého apětí + apjatost v bodě tělesa -apětí - je to apětí v určtém bodě určtého tělesa.
VíceSprávnost vztahu plyne z věty o rovnosti úhlů s rameny na sebe kolmými (obr. 13).
37 Metrické vlastosti lieárích útvarů v E 3 Výklad Mějme v E 3 přímky p se směrovým vektorem u a q se směrovým vektorem v Zvolme libovolý bod M a veďme jím přímky p se směrovým vektorem u a q se směrovým
Více9 Kombinatorika, teorie pravděpodobnosti a matematická statistika
9 Kombatora, teore pravděpodobost a matematcá statsta Te, do argumetue průměrým platem, e s velou pravděpodobostí vysoce adprůměrý vůl s hluboce podprůměrým vzděláím (Mloslav Drucmüller) 9. Kombatora Kombatora
VíceDeskriptivní statistika 1
Deskriptiví statistika 1 1 Tyto materiály byly vytvořey za pomoci gratu FRVŠ číslo 1145/2004. Základí charakteristiky souboru Pro lepší představu používáme k popisu vlastostí zkoumaého jevu určité charakteristiky
Více4EK311 Operační výzkum. 4. Distribuční úlohy LP část 2
4EK311 Operačí výzkum 4. Distribučí úlohy LP část 2 4.1 Dopraví problém obecý model miimalizovat za podmíek: m z = c ij x ij i=1 j=1 j=1 m i=1 x ij = a i, i = 1, 2,, m x ij = b j, j = 1, 2,, x ij 0, i
VíceOdhady parametrů základního souboru. Ing. Michal Dorda, Ph.D.
Odhady parametrů základího souboru Ig. Mchal Dorda, Ph.D. Úvodí pozámky Základí soubor můžeme popsat jeho parametry, apř. středí hodota μ, rozptyl σ atd. Př praktckých úlohách ovšem zpravdla elze vyšetřt
Více2 STEJNORODOST BETONU KONSTRUKCE
STEJNORODOST BETONU KONSTRUKCE Cíl kapitoly a časová áročost studia V této kapitole se sezámíte s možostmi hodoceí stejorodosti betou železobetoové kostrukce a prakticky provedete jede z možých způsobů
VícePRAVDĚPODOBNOST A STATISTIKA
Matematka IV PRAVDĚPODOBNOT A TATITIKA Lbor Žák Matematka IV Lbor Žák Regresí aalýza Regresí aalýza zkoumá závslost mez ezávslým proměým X ( X,, X k a závsle proměou Y. Tato závslost se vjadřuje ve tvaru
VíceSpolehlivost a diagnostika
Spolehlvost a dagostka Složté systémy a jejch spolehlvost: Co je spolehlvost? Vlv spolehlvost kompoetů systému Návrh systému z hledska spolehlvost Aplkace - žvotě důležté systémy - vojeské aplkace Teore
Více7 VYUŽITÍ METOD OPERAČNÍ ANALÝZY V TECHNOLOGII DOPRAVY
7 VYUŽITÍ METOD OERAČNÍ ANALÝZY V TECHNOLOGII DORAVY Operačí aalýza jao jeda z oblatí apliovaé matematiy achází vé široé uplatěí v průmylových a eoomicých apliacích. Jedím z oborů, ve teré hraje ezatupitelou
Více4 DOPADY ZPŮSOBŮ FINANCOVÁNÍ NA INVESTIČNÍ ROZHODOVÁNÍ
4 DOPADY ZPŮSOBŮ FACOVÁÍ A VESTČÍ ROZHODOVÁÍ 77 4. ČSTÁ SOUČASÁ HODOTA VČETĚ VLVU FLACE, CEOVÝCH ÁRŮSTŮ, DAÍ OPTMALZACE KAPTÁLOVÉ STRUKTURY Čistá současá hodota (et preset value) Jedá se o dyamickou metodu
Více1 STATISTICKÁ ŠETŘENÍ
STATISTICKÁ ŠETŘENÍ Záladem aždého tattcého zoumáí jou údaje (data). Lze je zíat v záadě dvěma způoby. Buď je převzít z ějaého zdroje ebo je am zjtt. Seudárí data údaje, teré převezmeme z růzých zdrojů;
VícePro statistické šetření si zvolte si statistický soubor např. všichni žáci třídy (několika tříd, školy apod.).
STATISTIKA Statistické šetřeí Proveďte a vyhodoťte statistické šetřeí:. Zvolte si statistický soubor. 2. Zvolte si určitý zak (zaky), které budete vyhodocovat. 3. Určete absolutí a relativí četosti zaků,
VíceVýukový modul III.2 Inovace a zkvalitnění výuky prostřednictvím ICT
Základy práce s tabulkou Výukový modul III. Iovace a zkvaltěí výuky prostředctvím IC éma III..3 echcká měřeí v MS Excel Pracoví lst 5 Měřeí teploty. Ig. Jří Chobot VY_3_INOVACE_33_5 Aotace Iovace a zkvaltěí
VíceANALÝZA NÁKLADOVÝCH A CENOVÝCH VZTAHŮ V ODPADOVÉM HOSPODÁŘSTVÍ ČR ANALYSIS OF COST AND PRICE RELATIONSHIPS IN WASTE MANAGEMENT OF THE CZECH REPUBLIC
ANALÝZA NÁKLADOVÝCH A CENOVÝCH VZTAHŮ V ODPADOVÉM HOSPODÁŘSTVÍ ČR ANALYSIS OF COST AND PRICE RELATIONSHIPS IN WASTE MANAGEMENT OF THE CZECH REPUBLIC Jří HŘEBÍČEK, Mchal HEJČ, Jaa SOUKOPOVÁ ECO-Maagemet,
VíceSTATISTIKA. Základní pojmy
Statistia /7 STATISTIKA Záladí pojmy Statisticý soubor oečá eprázdá možia M zoumaých objetů schromážděých a záladě toho, že mají jisté společé vlastosti záladí statisticý soubor soubor všech v daé situaci
Více4EK212 Kvantitativní management 4. Speciální úlohy lineárního programování
4EK212 Kvatitativí maagemet 4. Speciálí úlohy lieárího programováí 3. Typické úlohy LP Úlohy výrobího pláováí (alokace zdrojů) Úlohy fiačího pláováí (optimalizace portfolia) Směšovací problémy Nutričí
VíceDigitální učební materiál
Dgtálí učebí materál Číslo projetu CZ..07/.5.00/34.080 Název projetu Zvaltěí výuy prostředctvím ICT Číslo a ázev šabloy líčové atvty III/ Iovace a zvaltěí výuy prostředctvím ICT Příjemce podpory Gymázum,
Více4. KRUHOVÁ KONVOLUCE, RYCHLÁ FOURIEROVA TRANSFORMACE (FFT) A SPEKTRÁLNÍ ANALÝZA SIGNÁLŮ
4. KRUHOVÁ KOVOLUCE, RYCHLÁ FOURIEROVA TRASFORMACE FFT A SEKTRÁLÍ AALÝZA SIGÁLŮ Kruová cylcá ovoluce Ryclá Fourerova trasformace Aplace DFT a aalogové sgály, frevečí aalýza perodcýc aalogovýc sgálů s využtím
VíceHYPOTEČNÍ ÚVĚR. , kde v = je diskontní faktor, Dl počáteční výše úvěru, a anuita, i roční úroková sazba v procentech vyjádřená desetinným číslem.
HYPTEČNÍ ÚVĚR Spláceí úvěru stejým splátkam - kostatí auta ÚLHA 1: Mladý maželský pár s dostačujícím příjmy (tz. a získáí hypotéčího úvěru) se rozhodl postavt s meší rodý domek. Podle předběžé kalkulace
Více6 Intervalové odhady. spočteme aritmetický průměr, pak tyto průměry se budou chovat jako by pocházely z normálního. nekonečna.
6 Itervalové odhady parametrů základího souboru V předchozích kapitolách jsme se zabývali ejprve základím zpracováím experimetálích dat: grafické zobrazeí dat, výpočty výběrových charakteristik kapitola
VíceMATICOVÉ HRY MATICOVÝCH HER
MATICOVÉ HRY FORMULACE, KONCEPCE ŘEŠENÍ, SMÍŠENÉ ROZŠÍŘENÍ MATICOVÝCH HER, ZÁKLADNÍ VĚTA MATICOVÝCH HER CO JE TO TEORIE HER A ČÍM SE ZABÝVÁ? Teorie her je ekoomická vědí disciplía, která se zabývá studiem
Více